Detecção automática de crepitações em sons respiratórios

Abstract

Esta dissertação explora métodos automáticos de detecção de crepitações. É descrita e discutida a implementação em MatLab de quatro algoritmos propostos na literatura. O primeiro é o de Vannuccini et al. [1], que envolve a aplicação de filtros Savitzky Golay – SG. O segundo é o de Hadjileontiadis e Rekanos [2], baseado no cálculo da Fractal Dimension – FD. O terceiro é uma versão alternativa do anterior substituindo o algoritmo de Katz pelo de Sevcik [3] para o cálculo da FD. O último é o proposto por Bahoura e Lu, baseado em Wavelet packet-based stationary and non stationary filters - WPST_NST [4] (com algumas adaptações). A avaliação de desempenho foi realizada sobre um repositório composto por 10 sons respiratórios (5 de pacientes com fibrose quística e 5 de pacientes com pneumonia) devidamente anotados por 3 profissionais de saúde. Por acordo entre as suas anotações, geraram-se referências para o cálculo dos valores de sensibilidade (SE), de precisão (PPV) e da média harmónica destes para os vários algoritmos. Para efeitos de teste, definiram-se empiricamente gamas úteis de detecção para cada algoritmo e grelhas de 10 limiares uniformemente espaçados nessas gamas úteis. Nos limiares de máximo desempenho (considerando resultados médios no repositório) obtiveram-se SE=87,5% e PPV=71,6% (F=77,4%) para o primeiro algoritmo, SE=91,4% e PPV=74,5% (F=81%) para o segundo, SE=91,5% e PPV=72,14% (F=79,4%) para o terceiro e SE=89,6% e PPV=71,9% (F=78,7%) para o último. Por combinação de filtros SG e do algoritmo FD de Sevcik estabeleceu-se um novo algoritmo híbrido (SG-FD) cujo máximo desempenho (considerando resultados médios no repositório) foi SE=84,75% e PPV=62,57% (F=65%). Finalmente, explorou-se a detecção por acordo entre algoritmos. Obtiveram-se anotações de acordo para cada um dos 10 ficheiros do repositório considerando todas as 10000 combinações de limiares possíveis. No ponto de desempenho óptimo (considerando resultados médios no repositório) obtiveram-se SE=91,4% e PPV=83,7%. A média harmónica (F) atinge 86,7%, superando em 7% o máximo obtido com algoritmos individuais (F=81% para o algoritmo de Hadjileontiadis e Rekanos).

This dissertation explores automatic methods for crackle detection. It describes and discusses the MatLab implementation of four algorithms proposed in the literature. The first, by Vannuccini et al. [1], involves the application of Savitzky Golay (SG) filters. The second, by Hadjileontiadis and Rekanos [2], is based on the Fractal Dimension (FD) function. The third is an alternative version of the previous one, replacing the Katz algorithm by the Sevcik [3] algorithm for calculating the waveformʼs FD. The last one proposed, by Bahoura and Lu, is based on Wavelet packet-based stationary and non stationary filters – WPSTNST [4] (implemented with a few adaptations). Performance evaluation was based on a repository of 10 respiratory sounds (5 from patients with cystic fibrosis and 5 from patients with pneumonia) duly annotated by three health professionals. By agreement among their annotations, references were generated to calculate the values of sensitivity (SE), accuracy (PPV) and their harmonic mean (F) of the various algorithms. The useful threshold ranges of the four algorithms were empirically established and a set of 10 evenly spaced thresholds were defined for each. The top performance thresholds (considering average results in the repository) yielded SE=87.5% and PPV=71.6% (F=77.4%) for the first algorithm, SE=91.4% and PPV=74.5% (F=81%) for the second, SE=91.5% and PPV=72.14% (F=79.4%) for the third and SE=89.6% and PPV=71.9% (F=78.7%) for the fourth. By combining SG filters and Sevcik´s FD algorithm, a new hybrid algorithm (SG-FD) was established, whose maximum performance (considering average results in the repository) was SE=84,75% and PPV=62,57% (F=65%). Finally, detection by agreement between algorithms was explored. Agreement annotations were obtained for each of the 10 files in the repository considering every one of the 10,000 possible combination thresholds. At the point of optimal performance (average results in the repository) SE=91,4% and PPV=83,7% were obtained. The harmonic mean (F) reached 86.7%, surpassing by 7% the top performance achieved with individual algorithms (F=81% for the Hadjileontiadis and Rekanos algorithm).